<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>NeurIPS 2025 on SoloSoft</title><link>https://www.solosoft.dev/es/tags/neurips-2025/</link><description>Recent content in NeurIPS 2025 on SoloSoft</description><generator>Hugo</generator><language>es-es</language><lastBuildDate>Fri, 01 May 2026 00:00:00 +0000</lastBuildDate><atom:link href="https://www.solosoft.dev/es/tags/neurips-2025/index.xml" rel="self" type="application/rss+xml"/><item><title>OmniSVG: Modelo Unificado de Generacion SVG Multimodal (NeurIPS 2025)</title><link>https://www.solosoft.dev/es/post/omnisvg-generation-2026/</link><pubDate>Fri, 01 May 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/omnisvg-generation-2026/</guid><description>&lt;p&gt;Los graficos vectoriales estan en todas partes, desde iconos y logotipos hasta ilustraciones y visualizaciones de datos. Pero generar SVGs complejos programaticamente ha seguido siendo un desafio de investigacion persistente, con la mayoria de los enfoques limitados a formas geometricas simples o que requieren extensos datos de entrenamiento. &lt;strong&gt;OmniSVG&lt;/strong&gt;, publicado en NeurIPS 2025, supera estas limitaciones al introducir la primera familia unificada de generadores SVG multimodales de extremo a extremo construidos sobre modelos de lenguaje visual.&lt;/p&gt;
&lt;p&gt;El proyecto en &lt;a href="https://github.com/OmniSVG/OmniSVG"&gt;github.com/OmniSVG/OmniSVG&lt;/a&gt; representa un cambio de paradigma en la generacion SVG. En lugar de depender de renderizado diferenciable o aprendizaje por refuerzo (los enfoques dominantes antes de OmniSVG), ajusta VLM pre-entrenados para generar codigo SVG directamente. Esto permite que el modelo aproveche el vasto conocimiento visual codificado en los VLM modernos mientras aprende la sintaxis y estructura de SVG como lenguaje objetivo.&lt;/p&gt;</description></item><item><title>ReasonFlux: Razonamiento LLM Jerarquico mediante Plantillas de Pensamiento a Escala</title><link>https://www.solosoft.dev/es/post/reasonflux-llm-reasoning-2026/</link><pubDate>Fri, 01 May 2026 00:00:00 +0000</pubDate><guid>https://www.solosoft.dev/es/post/reasonflux-llm-reasoning-2026/</guid><description>&lt;p&gt;Los grandes modelos de lenguaje han logrado avances impresionantes en conocimiento general y generacion de lenguaje, pero el razonamiento complejo &amp;ndash; problemas matematicos de multiples pasos, logica formal, codificacion algoritmica &amp;ndash; sigue siendo un desafio, particularmente para modelos mas pequenos. &lt;strong&gt;ReasonFlux&lt;/strong&gt;, desarrollado por &lt;a href="https://github.com/Gen-Verse/ReasonFlux"&gt;Gen-Verse&lt;/a&gt; y aceptado en &lt;a href="https://neurips.cc/"&gt;NeurIPS 2025&lt;/a&gt;, aborda este problema desde un angulo novedoso: en lugar de escalar el tamano del modelo, escala las estrategias de razonamiento disponibles para el modelo.&lt;/p&gt;
&lt;p&gt;La idea central detras de ReasonFlux es elegante. La mayoria de los fallos de razonamiento en LLMs no son fallos de conocimiento &amp;ndash; el modelo conoce los hechos relevantes &amp;ndash; sino fallos de enfoque. El modelo elige la estrategia equivocada, o intenta resolver un problema de una sola vez cuando deberia descomponerlo en pasos. ReasonFlux aborda esto proporcionando una biblioteca seleccionada de 500 plantillas de pensamiento diseñadas por expertos, cada una codificando una estrategia de pensamiento reutilizable.&lt;/p&gt;</description></item></channel></rss>